基于多目标级联深度学习的无砟轨道板表面裂缝测量

轨道板劣化严重程度判识是工务养维的重要基础,而裂缝识别与宽度的精确测量是判识劣化程度的重要依据。基于传统机器视觉的轨道板裂缝判识易漏检、错检,复杂背景条件下检测精度较低,计算成本较高。现有深度学习方案虽然提升了检测精度,但存在单一模型处理效率低,多裂缝目标分割粗糙等问题。本文提出一种基于深度学习的多目标级联算法,通过图像分类网络、实例分割网络和正交投影法的级联处理和特征传递,实现针对高速铁路无砟轨道板裂缝的精细化测量。该算法首先基于图像分类网络快速筛选巡检数据并捕获含裂缝图像;然后基于实例分割网络从图像分类网络的输出中逐像素地分割出独立的裂缝目标的边界,并作为正交投影法的输入;最后基于正交投影法沿裂缝边界提取单像素骨架及轮廓并计算连续宽度。研究结果表明:所提出的多目标级联算法的平均精度(AP)达到70.7%,相较于传统像素级的深度学习模型(Mask R-CNN)提升23.6%;综合处理效率达到63.44FPS,达到单一SOLOv2网络的3.6倍,有效克服了单一分割模型对健康图像的冗余计算。进一步地,多目标级联算法的裂缝宽度测量范围是传统人工测量方法的1.15倍且标准差更小,有效地解决了传统人工局部测量导致的宽度突变。此外,基于研究成果统计得到了无砟轨道板裂缝的宽度分布,可以作为裂缝的发展预测及轨道结构科学养维的潜在指标。

基于因果贝叶斯网络的接触网风险评估模型研究

针对接触网建设阶段风险管控研究相对薄弱的问题,在充分研析接触网施工过程风险因素的基础上,判断风险因素间因果关系,建立接触网建设阶段风险评估模型,从因果逻辑视角分析接触网建设阶段风险。首先,从建设阶段、参建部门及建设要素3个维度分析接触网建设过程风险因素的外生变量与内生变量;然后,利用结构方程式描述变量之间的因果关系,建立多层次接触网风险结构因果模型网络关系分析图,并引入专家评议确定外生变量的先验概率与内生变量的条件概率,构建基于贝叶斯网络的接触网建设阶段风险评估模型;最后,通过贝叶斯网络敏感性分析和逆向推理分析找到接触网建设风险的事故最大因果链以及重要风险节点,在施工过程薄弱环节制定相应的风险预防与控制措施,降低风险发生的概率及影响,保证接触网工程按期交付以及运维阶段的检修效率。研究结果表明:在接触网建设阶段,风险发生的概率为0.6,所构建的接触网建设过程风险评估模型中有敏感性较高的节点4个,事故致因链5条。在假设接触网风险发生的条件下,逆向推理的结果显示预装配阶段和安装阶段的后验概率较高,分别为0.74和0.67。通过严格执行提出的风险控制措施,有助于提升接触网建设效率,降低运维阶段的维护成本。

基于宏微观耦合深度学习的高速铁路无砟轨道板表面裂缝精细化测量

提出一种基于宏微观耦合的深度学习算法,实现对复杂图像背景下高速铁路无砟轨道板裂缝宽度的精细化测量。该算法依次从宏观区域、微观边界和几何特征3个层面捕捉裂缝特征并传递处理结果,形成从输入无砟轨道板巡检图像到输出裂缝宽度测量值的精细化映射。首先,在宏观区域层面采用深度目标检测网络预提取裂缝区域,减少与裂缝相似的非目标区域的噪声和污损。然后,在微观边界层面采用深度语义分割网络逐像素地判识裂缝边界。最后,在几何特征层面采用改进的正交投影法计算沿裂缝边界分布的连续宽度,并统计裂缝的最大宽度、最小宽度、平均宽度、中值宽度和标准差等特征指标值。研究结果表明:在复杂图像背景下,基于宏微观耦合的深度学习算法与U-Net等单一像素的算法相比,裂缝边界判识精度提高约15%,达到84.57%;与传统正交投影法相比,裂缝连续宽度的标准差降低90%,裂缝宽度测量的离散性显著降低。研究成果能够更好地适用于噪声、污损等复杂图像背景下高速铁路无砟轨道板裂缝测量,并可得到更接近真实的裂缝宽度。

高铁四电建设工程信息共享演化博弈分析

高铁四电建设工程作为复杂的系统性工程,具有隐蔽工程多、接口问题解决难、各专业之间协调困难等特征,其质量安全一直以来都是人们十分关注的问题和重点研究对象。但是,信息共享作为影响质量安全的因素之一,却很少有对其单独进行研究的报道。为此,基于演化博弈理论,对高铁四电建设工程建设方、设计方和施工方三方之间信息共享演化博弈行为进行研究,构建三方博弈模型,探讨各参建方内在演化机理。在有限理性条件下,根据各自目标构建三方博弈收益矩阵,建立复制动态方程进行演化路径分析,运用雅可比矩阵对系统均衡点进行局部稳定性分析,然后利用数值仿真模拟对三方之间博弈行为进行分析,讨论不同因素的变化对演化路径影响。研究结果表明:在初始的情况下,由于数值较小,入不敷出,三方都选择消极进行信息共享;随着促进信息共享额外收益和信息协同收益的增加,促进信息共享成本、信息不对称收益和积极信息共享成本的降低,以及奖罚力度和信息贡献率的合理化,系统会朝着三方都选择积极信息共享的方向发展,最终达到稳定状态。仿真分析的结果与系统稳定性分析的结果一致且有效,说明所建模型有效,可为各参建方信息共享提供参考。

基于改进MIP模型的铁路牵引供电系统维护决策优化

针对目前传统的牵引供电系统年度维护计划存在检维修频繁、维护成本较高等问题,在综合考虑铁路牵引供电系统维护成本和部件运行可靠度的基础上,提出一种基于全局启发式算法改进的混合整数规划(mixed integer programming,MIP)模型,实现低成本、高效率、高质量的铁路供电系统维护决策。首先,建立基于时间的各子部件失效概率模型,通过故障树分析法对各个子部件在整个牵引供电系统中的影响程度进行评估,构建维护任务等级表,并量化维护任务的对比权重。然后,将各子部件的维护任务作为模型的决策变量,得到牵引供电系统年度维护MIP模型。最后,利用全局启发式算法改进MIP模型在复杂系统中的计算过程,在保证系统可靠度的情况下,获取成本最低的牵引供电系统年度维护计划。研究结果表明:与目前的维护计划编制方法相比,基于全局启发式算法的MIP模型能够得到有效最优维护计划,维护成本减少了7.97%,在年度维护计划内,整体系统可靠度分布曲线趋于平稳且可靠度收敛值远高于预设值,同时提高了牵引供电系统年度维护计划编制的效率和准确率。

基于深度学习的钢轨伤损超声检测与分类

钢轨内部伤损的实时检测与治理将有效地降低事故发生的风险。人工物探方法费时费力;超声检测技术能够实时地探查钢轨的内部状态,但伤损的辨识仍依赖于人工或图像处理技术逐个手动处理,易漏检或错检。提出一种新的基于深度学习的钢轨内部伤损超声检测数据后处理方法以实现伤损识别和分类的自动化,并从数据,方法和干扰因素三个方面对分类效果进行验证和评价。结果表明:Resnet-50深度残差网络对五类标签的分类准确率达到了99.3%,F1分数分别为99.24%(轨头核伤),98.5%(轨腰裂缝),99%(轨底裂缝),99.75%(钢轨连接处)和100%(正常),并对杂波干扰具有良好的鲁棒性,优于三种机器学习方法,保障了钢轨内部伤损检测与治理的实时、精准和高效。

基于改进形状匹配的扣件缺陷检测方法

基于传统图像处理的扣件检测方法在扣件定位方面存在定位不准、定位方法局限性较大等问题,在扣件识别方面的正确率也不高。而基于深度学习的扣件检测方法则需要大量的扣件样本作为训练集,训练效果难以保证。鉴于以上不足,提出一种基于改进形状匹配的扣件缺陷检测方法,该方法的一大优势是无需预先进行扣件定位,且匹配速度快、召回率高。该方法改进点主要包括:1)采用多模板匹配代替单模板匹配,以提高模板的多样性,进而提高扣件的匹配召回率;2)采用基于HALCON的形状匹配代替传统模板匹配,便于提高扣件的边缘检测效率,增强检测鲁棒性;3)提出扣件图片智能裁剪和模板库自动化更新算法,其中智能裁剪可裁剪出更加整齐而规范的数据集,模板库自动化更新算法可根据匹配的扣件数据集动态更新模板库。用轨道综合巡检车拍摄的扣件图片对该方法进行了实验验证。研究结果表明,在匹配阈值为0.75,模板库扣件数量为32的条件下,该改进方法对单张图片匹配时间为仅为0.18 s,检测召回率达到了98.15%。该改进方法高效且智能,具有较高的实用性、适用性和可行性,能够满足工务段日常维检的需要。